°

Análisis de conglomerados jerárquico para optimizar la distribución diferenciada de estudiantes de décimo grado del colegio Marymount de Barranquilla en la preparación de las Pruebas Saber 11



Elmer Rodríguez Stevez
Sandra López Romano

Introducción

MM


Contexto educativo y desafíos en la preparación para las Pruebas Saber 11


Importancia de la diferenciación
en nuestros estudiantes

Objetivos del estudio

MM


Optimizar la distribución de estudiantes aplicando Análisis de Conglomerádos Jerárquico


Implementar estrategias pedagógicas
diferenciadas

Metodología

MM


Análisis de Conglomerados Jerárquico (ACJ)


Recopilación y Procesamiento de los datos


Perfiles Académicos
y Diferenciación

MM


Resultados

MM

Implementación del ACJ y Evaluación
de Resultados


Consideraciones de Validación


Homogeneidad de grupos identificados


Impacto en la preparación para Pruebas Saber 11

Resultados + Código

library(readxl)

datosmm11final <- read_excel("datosmm11final.xlsx")
datosmm11s <- scale(datosmm11final[,2:5])
datosmm11 <- cbind(datosmm11final[,1],datosmm11s)
dist.e11=dist(datosmm11[,2:5],method="euclidean")

library(cluster.datasets)
dend.e11=as.dendrogram(hclust(d = dist.e11))
library(dendextend)
suppressPackageStartupMessages(library(dendextend))
L=labels(dend.e11)

library(ggsci)
library(factoextra)
require(stats)
res.hc <- hclust(d = dist.e11)
require(factoextra)
require(scales)

fviz_dend(res.hc, cex = 0.4, k=7, 
          rect = TRUE,  
          k_colors = "simpsons",
          rect_border = "simpsons", 
          rect_fill = TRUE, 
          horiz = TRUE) +
          geom_hline(yintercept = 3.0, linetype = "dashed") +
          labs(title = "")

Conclusiones

MM


Impacto significativo del ACJ en la distribución estudiantil


Adaptación de estrategias a perfiles académicos, lo que nos lleva a un camino prometedor

Referencias Bibliográficas

MM


  • Bravo, M. y Salvo, S. 2017. “Perfiles de desempeño académico: la importancia de las expectativas familiares.” Perfiles Latinoamericanos 25(50):361–386.
  • Díaz, G. y Morales, M. 2012. Análisis Estadístico de Datos Multivariados. Primera edición ed. Bogotá, D.C.,Colombia: Universidad Nacional de Colombia. ISBN 978-958-761-325-4.
  • Fernández, C. y Aqueveque, C. 2001. “Segmentación de mercados: buscando la correlación entre variables sicológicas y demográficas.” Revista Colombiana de Marketing 2:1–15.
  • Johnson, D.E. 2000. Métodos multivariados aplicados al análisis de datos. Thomson Editores, México. Kassambara, Alboukadel and Filip Mundt. 2020. factoextra: Extract and Visualize the Results of Multivariate Data Analyses. CRAN. URL: https://CRAN.R-project.org/package=factoextra
  • López, E. y González, M.A. 1991. “Hacia una pedagogía de las diferencias individuales: Reflexiones en torno al concepto de Pedagogía Diferencial.” Revista Complutense de Ciencias de la Educación 2:83–92.

Referencias Bibliográficas

MM


  • Pruebas saber - Evaluación. (2022, Septiembre 02). Ministerio de Educación Nacional. Retrieved November 17, 2023, from https://www.mineducacion.gov.co/portal/micrositios-preescolar-basica-y-media/Evaluacion/Evaluacion-de-estudiantes/397384:Pruebas-saber
  • R Core Team. 2019. R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. URL: https://www.R-project.org/
  • Tomlinson, C. A. (2001). How to Differentiate Instruction in Mixed-ability Classrooms (2nd ed.). Association for Supervision and Curriculum Development. https://rutamaestra.santillana.com.co/wp-content/uploads/2020/01/Classrooms-2nd-Edition-By-Carol-Ann-Tomlinson.pdf

GRACIAS !!!